基于大數據的湘潭市商圈可視化研究

摘要：長株潭經濟一體化背景下，湘潭市商圈發展面臨諸多機遇與挑戰?；诖髷祿碚撆c技術，對湘潭市各商圈的房價、居民收入、交通設施、人流分布等多維度動態數據進行可視化分析，通過數據采集、知識融合等手段，建立區域競爭力評估模型，實現對湘潭市商圈生態的商業數據分析，指出商圈發展和競爭力存在不均衡問題，給出政府決策優化建議，為企業經營指導提供科學依據，推動湘潭市商圈均衡發展，助力長株潭一體化高質量發展。

關鍵詞：區域發展；競爭力；經濟一體化；商圈；大數據；可視化；長株潭；湘潭

中圖分類號：TP391" " " 文獻標識碼：A

文章編號：1009-3044（2025）23-0055-05

開放科學（資源服務） 標識碼（OSID）

0 引言

長株潭經濟一體化是湖南省為推動長株潭城市群協同發展、提升區域競爭力而實施的重要宏觀戰略。湘潭作為長株潭城市群的核心組成部分，傳統產業以黑色冶金、機電與機械制造等為主。近年來，湘潭市積極響應“三高四新”戰略，大力推進產業轉型升級，重點發展先進制造業、現代物流和生態休閑產業。在此背景下，研究湘潭市商圈的動態發展軌跡，不僅有助于優化區域發展布局，探索如何將虹吸效應轉化為區域協同發展效應，還能為湘潭融入長株潭一體化高質量發展提供重要支撐。

本研究旨在運用大數據技術，對湘潭市各商圈的發展現狀、動態變化及其輻射效應進行可視化分析。通過解析商圈的空間分布與演變趨勢，揭示商圈發展的不均衡特征，并借助可視化手段，為湘潭市商圈的統籌規劃和差異化發展提供決策依據。

1 文獻綜述

商圈作為城市經濟的重要組成部分，其發展狀況直接影響著城市的繁榮程度與居民的生活質量。商圈分析是對商圈的構成、特點和影響商圈規模變化的各種因素進行綜合性研究的過程。近年來，學者們通過多源大數據對城市商圈的空間結構、活力特征及其演變規律進行了深入探討。盧遠等人通過大數據分析，揭示了南寧市商圈的多核心模式及其沿交通線路的網格化分布，為城市規劃提供了科學依據[1]。余蕾等人采用多源地理大數據，構建了城市綜合活力評估框架，以南京市中心城區為例，驗證了該框架的有效性[2]。楊洛安則通過社交媒體數據，研究了成都市主城區城市活力中心的時空可達性與房價關系，發現活力中心與高房價區域高度重合[3]。劉重路的研究聚焦福州市商圈，利用點線要素結合的方法，劃分了商圈類型并分析了其活力特征[4]。這些研究為城市商圈的精細化管理和規劃提供了重要參考。

但現有研究仍存在諸多不足。一方面，多數研究集中在大城市，對中小城市商圈的動態發展軌跡關注較少。另一方面，傳統商圈研究多采用問卷調查、實地考察等方法，存在數據采集耗時長、樣本量有限、實時性差等問題。隨著大數據技術的發展，其在商圈研究中的應用逐漸受到關注，但目前的應用多停留在空間分布和功能特征的描述，缺乏對商圈發展的可視化分析和動態監測方法。此外，針對商圈活力與城市空間結構耦合關系的研究也相對薄弱。

2 研究方法

2.1 總體思路

針對上述不足，本文擬采用大數據可視化技術[5]，結合湘潭市的商圈數據，通過分析POI數據[6]、人流車流軌跡數據、社交媒體數據以及手機信令數據等大數據來源，利用時空分析和可視化手段[7-10]，深入探討湘潭市商圈的動態發展軌跡及其與城市空間的關系。研究將重點分析商圈的空間分布特征、活力變化趨勢以及業態結構與城市發展的互動機制，旨在為湘潭市商圈的優化布局和高質量發展提供科學依據。

2.2 分析流程

數據采集涵蓋房價、居民收入與人口、交通設施與人流分布。房價數據來自安居客、鏈家等網站；居民數據通過前程無憂、BOSS直聘；交通數據利用百度地圖API、高德地圖POI數據。數據處理包括清洗無效、重復、異常數據，使用Pandas庫格式化數據，形成高質量數據集。數據分析與可視化運用K-means聚類算法、競爭力定量分析，通過Seaborn庫和GIS技術呈現結果。分析流程如圖1所示（原修改建議：應更詳細地描述數據采集、處理、分析和可視化的具體步驟和方法，包括使用的軟件和算法。該建議的內容放在第四部分各個步驟中分別進行詳細描述） 。

2.3 技術框架

1） 技術框架

對湘潭市商圈市場進行調研，分析論證，篩選核心指標關鍵維度，采集湘潭商圈房產、經濟活動、交通設施、人流分布等數據收集整理，湘潭市商圈數據呈現、數據深度分析等。

2） 關鍵技術

該技術框架圍繞商圈動態可視化分析展開，主要采用爬蟲數據采集技術、智能動態追蹤技術和數據可視化技術，結合商圈中心性分析、人群關系計算模型、區域發現及劃分模型等方法。

由數據源、數據分析引擎和智能應用場景三大模塊組成。數據源模塊通過Scrapy分布式爬蟲和Crawler定時策略，從多源獲取結構化和非結構化數據，涵蓋房價、收入水平、交通人流等信息。數據經ETL抽取方案處理后，存儲于MySQL、HDFS、Hbase等系統中，為后續分析提供支持。

數據分析引擎是核心，運用主成分分析、特征聚類和數據降維等技術提取關鍵信息。主成分分析通過降維減少數據冗余，提取核心特征；特征聚類利用算法如K-means，將商圈按相似性分組，便于針對性分析；數據降維則進一步簡化數據復雜性，提升分析效率。

智能應用場景模塊則結合可視化工具，實現商圈房價、競爭力、配套設施等多維度的動態可視化。Seaborn用于生成直觀的圖表，如商圈畫像、指標雷達分布等；GIS技術則用于展示商圈的地理空間分布和區域規模，為商圈發展提供全面的智能支持。

3 實驗設計與數據分析

3.1 數據采集

利用爬蟲技術，從安居客等網站爬取湘潭市商圈房價數據，包括新房、二手房的房價走勢、房價區間分布等；通過前程無憂、BOSS直聘等招聘網站采集區域工資收入水平、學歷層次結構數據；借助百度地圖API獲取交通、人流的區域分布數據。同時，結合問卷調查收集的商圈消費者行為、店鋪經營狀況等數據，形成全面的商圈數據集。

湘潭各區工資收入水平受多種因素影響，如采樣人員的年齡段、學歷、行業、工作崗位性質等各不相同，這使得招聘網站數據采集分類相對復雜。為獲得更準確的工資數據，可綜合湖南省統計局、湘潭市統計局、湘潭人社通等多方數據進行比較修正。表2為湘潭市各區工資平均水平。

3.2 數據處理

對采集到的原始數據進行清洗和格式化處理，剔除無效數據、重復數據和異常數據，確保數據的準確性和一致性。數據清洗分析模塊采用Pandas 0.23.4，通過pd.read_csv（）等函數加載、導入數據。對數據進行初步探索，包括查看數據的結構、缺失值、重復值和異常值分布，并進行數據清洗和轉換，得到關于每個商圈的動態數據，為后續分析提供高質量的數據基礎。

如表1中房價為待定的行可以利用df.dropna（）函數刪除，或采用近鄰插值法補充。通過df.duplicated（）檢測重復數據，并使用df.drop_duplicates（）刪除重復行，確保數據的唯一性。利用統計方法（如IQR方法） 或圖形分析（如箱線圖） 識別異常值，如圖3所示。對于如康康國際的售價較高，經仔細查閱是因為整個樓盤定位高端社區，戶型面積較大。而蓮城商業步行街位于城市中心，交通便利，眾多知名品牌入駐，餐飲、娛樂等完善，人流量大，是城市商業活動的集中地，所以相對單價也較高。

3.3 數據分析與可視化

DBSCAN算法基于點的密度關系進行聚類，能夠有效識別出不同密度的簇和噪聲點，利用密度聚類識別主要商圈時，通過分析人流、商品房、商業網點等的空間分布特征，可以發現商圈的集聚模式和熱點區域。結合目前較為流行的區域邊界識別方法，以商圈中心點為圓心， 以輻射距離為半徑，對 POI 數據進行預分區得到初始商圈。通過 POI 數據的局部聚類，劃定商圈區域范圍，識別出商圈和非商圈范圍如圖4所示。

借助Seaborn庫對商圈數據進行可視化分析，可以生成多種圖表，直觀展示商圈房價走勢、區域消費能力排名以及商圈競爭力排行等信息。例如，對于湘潭市區域工資與房價關系的可視化，可以通過散點圖展示工資與房價的分布情況，使用Seaborn的scatterplot函數，以工資為x軸、房價為y軸，并通過顏色區分不同區域，如圖5所示。

還可以繪制商圈房價走勢的時間序列圖，利用lineplot展示房價隨時間的變化趨勢。對于區域消費能力排名，可以通過條形圖（barplot） 直觀呈現不同區域的工資水平，從而反映消費能力的差異。

使用GIS技術進行區域熱力圖分析和預測，直觀展示商圈內主客體空間分布情況、經濟活動特征信息等，為商圈決策提供可視化支持。如圖6、圖7所示。

運用K-means聚類算法對商圈數據集進行商圈特征聚類，比較各商圈發展動態及特征，進行競爭力定量分析，可以將商圈劃分為不同的類別，如高端、中端和低端商圈。設置聚類k=3時，商圈聚類結果如表3所示。

戴維斯-邦丁指數（Davies-Bouldin Index，簡稱DBI） 是一種用于評估聚類效果的指標，主要用于衡量聚類的分離度和緊湊度。它結合了簇內緊密性和簇間分離性兩個方面，能夠幫助我們判斷聚類的質量。DBI的取值范圍是 [0，∞），在本例中，DBI值為0.56，表示聚類結果的簇內緊密性和簇間分離性較好。

3.4 結果分析

1） 湘潭市商圈發展現狀分析

湘潭市商圈發展不均衡，雨湖區平均工資4 800元/月，房價6 800元/m2，而九華經開區平均工資5 200元/月，房價5 400元/m2。部分商圈的房價與居民收入不匹配，定價存在偏差。可能導致居民購房壓力大，影響消費能力。部分商圈房價波動大，人口分布不均，經濟發展速度不一，交通樞紐布局存在不合理之處，影響了商圈的交通便利性和客流量，產業集群空間結構分布不優，影響了商圈的整體競爭力和發展潛力。

2） 湘潭市商圈競爭力評估

利用熱力圖和業態分布圖，通過評估商圈規模、活力、輻射力和環境，發現市中心區域如岳塘區和雨湖區商業活力高，業態豐富。湘潭縣和韶山市商業活動少，競爭力弱，需通過政策扶持和基礎設施建設提升。

3） 湘潭市商圈經濟發展預測

預計湘潭市商圈將穩定發展，市中心區域繼續吸引投資和人流。九華經開區和高新區可通過提升服務質量和引入新業態吸引消費者和商家。隨著長株潭一體化的深入推進，湘潭市商圈將面臨更多的發展機遇和挑戰，需要積極應對，實現高質量發展。

4） 對政府決策的啟示

政府決策部門應依據真實動態數據，了解湘潭市商圈發展的實際情況和區域發展差異原因，調整決策方向，優化決策方案。應注重商圈的合理布局和功能定位，避免商圈同質化競爭，促進商圈錯位發展，合理配置社會資源，提升商圈的整體環境和服務水平；出臺扶持政策，引導商圈健康發展，均衡區域發展，優化商業布局，提升區域核心競爭力。

5） 對企業經營的指導

對于生產、經營、零售企業及房地產企業而言，本研究提供的大數據分析結果能夠幫助其更好地了解湘潭市商圈的發展狀況和消費者需求，明智決策選址、投資和市場開拓。根據商圈的競爭力評估和發展預測，選擇適宜的商圈進行投資和經營，明確商圈的基本顧客群和潛在顧客群，制定有針對性的市場開拓策略，規劃企業發展方向。

4 結論

本文基于大數據技術，對湘潭市商圈進行了動態追蹤及可視化研究，揭示了湘潭市商圈發展的現狀、競爭力及未來發展趨勢。研究結果表明，湘潭市商圈發展存在一定的不均衡性，需要政府和企業共同努力，推動商圈的均衡發展。本研究采用的大數據理論和技術，具有采集耗時短、樣本數據量大、數據精確度高、實時動態等優點，為商圈研究提供了新的思路與方法，具有一定的理論創新和實際應用價值。但對商圈內部微觀數據的挖掘仍顯不足，如引入更精細化的時空分析方法，基于地理信息系統（GIS） 的時空數據挖掘技術，對商圈內部的人流、物流、資金流等進行動態追蹤，揭示商圈內部的空間分布規律和時間演變特征。隨著大數據技術的不斷發展和完善，在商圈研究中的應用將更加廣泛和深入，為商圈的規劃、發展和管理提供更加強有力的支持。

參考文獻：

[1] 盧遠，項麗麗，莫燾菘.基于人流活動特征的城市商圈空間結構的大數據分析：以廣西南寧市為例[J].南寧師范大學學報（自然科學版），2025，42（1）：31-40.

[2] 余蕾，盛業華，劉星雨.基于RAGA-PPM模型的城市活力評價方法研究：以南京市中心城區為例[J].地球信息科學學報，2024，26（11）：2567-2582.

[3] 楊洛安.城市活力中心時空可達性與房價的空間關系研究[D].濟南：山東師范大學，2024.

[4] 劉重路.基于大數據的福州市商圈空間結構及活力研究[D].福州：福建師范大學，2023.

[5] 林劍宇.基于大數據的視聽娛樂商家智能選址系統的設計與實現[J].電腦知識與技術，2024，20（36）：120-122.

[6] 蘆仕儒，范濤.基于POI數據的烏魯木齊市主城區零售商業空間結構研究[J].城市建筑，2024，21（20）：33-36.

[7] 秦蕭，張一鳴，甄峰，等.基于多源大數據的城市安全感評價與優化策略：以南京主城區為例[J].世界地理研究，2024，33（9）：118-132.

[8] 陳璐，何榕鑌，李娜.基于GIS網絡分析的社區商圈布局研究[J].山西建筑，2024，50（4）：29-31.

[9] 牛悅顏，彭霞.基于時空大數據的北京城市商圈功能特征研究[J].北京聯合大學學報，2023，37（6）：53-61.

[10] 王靜帆.基于多源大數據的鄭州市城市活力時空分異及影響因素[D].開封：河南大學，2023.

【通聯編輯：王 力】